Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas Clase 5 Probit Logit
Notas Clase 5 Probit Logit
Dependiente Binaria
-Logit y Probit-
0.6
0.4
0.2
0
X
La relacin es no lineal
La variable dependiente est restringida
entre cero y uno
Dos modelos producen una relacin de
este tipo
Un modelo basado en la funcin logstica
Un modelo derivado de una funcin de
distribucin normal acumulada
Modelo Logit
Expresando el modelo explcitamente en
trminos de probabilidades tenemos
Pi = Xi
Donde Pi es la probabilidad de que el
hogar i sea propietario de una casa
Una relacin que genera un grfico como
el anterior es:
1
Pi ( Xi )
1 e
Definimos la razn de probabilidades
(odds ratio) como:
Pi
1 Pi
En el caso de la propiedad de casas representa
la razn de la probabilidad de que una familia
posea una casa respecto de la probabilidad de
que no la posea.
Por ejemplo, si Pi = 0.8 significa que las
probabiliades son 4 a 1 a favor de que la familia
posea una casa (0.8/0.2)
Si tomamos el logaritmo natural de la razn
de probabilidades obtenemos
Pi
Li ln Zi Xi
1 Pi
Donde
Z es una variable estndar normal, Z ~
N(0,
F es la funcin de distribucin normal
acumulada
Explcitamente
1 Ii
Z2 /2
F (Ii ) e dz
2
1 Xi
Z2 /2
e dz
2
Pi = F(Ii)
1
p
Pi
0.8 Pr (I*i Ii)
0.6
0.4
0.2
0
+ Ii = + Xi
0 -X
Interpretacin de los Coeficientes
Una diferencia fundamental respecto a los
modelos lineales es que la influencia que
tienen las variables explicativas sobre la
probabilidad de elegir la opcin dada por yi
= 1 (la derivada parcial, dyi/dxi = k en los
modelos lineales) no es independiente del
vector de caractersticas xi.
Una primera aproximacin a la relacin
entre las variables explicativas y la
probabilidad resultante es calcular los
efectos marginales sobre la variable latente
(y*) .
Si el efecto marginal expresa el
cambio de la variable dependiente
provocado por un cambio unitario en
una de las independientes
manteniendo el resto constante, los
parmetros estimados del Logit y el
Probit reflejan el efecto marginal de
las xik en yi de la misma forma que en
el MLP, puesto qe E (y*|x) = x.
Los efectos marginales pueden construirse
sobre la probabilidad y, de hecho, este es el
tipo de presentacin ms frecuente.
El efecto de la ksima variable explicativa,
manteniendo el resto constante, puede ser
calculado como:
En Probit
Los resultados previos suponen que si bien los
coeficientes de estos modelos no son directamente
interpretables, sus valores relativos si lo son.
Por ej. el cociente j/ k mide la importancia relativa de
los efectos marginales de las variables xj y xk.
Dado que los efectos marginales varian con x resulta
conveniente calcularlos para valores concretos de la
variable.
Los efectos marginales medios, obtenidos a partir de la
media muestral de la variable, son una de las formas
ms comunes de presentacin de losresultados
Tambin se puede calcular, por ejemplo,
el efecto medio respecto al conjunto de las
observaciones:
Inferencia
La inferencia no presenta diferencias
sustanciales respecto al Modelo Lineal
Gaussiano, por lo que para llevar a cabo
hiptesis sobre el valor de un coeficiente puede
emplearse un estadstico de la tStudent
tradicional (aunque, siendo rigurosos, la
distribucin apropiada sera la Normal).(ratio z)
Por su parte, para contrastar la validez de un
conjunto de restricciones como las que definen
la significacin global del modelo puede el test
de razn de verosimilitud (LR)
LR
Por ultimo, una forma de evaluacin del modelo
es la que se deriva de la bondad del ajuste.
Evidentemente, al tratarse de modelos no
lineales carece de sentido plantear la bondad
del ajuste en los terminos que definen el
coeficiente de determinacin (R2).
Existen criterios alternativos que, en cierto
modo, siguen la misma idea.
Todas estas medidas deben interpretarse con
cierta cautela
Su validez como criterios de seleccin del
modelo es ciertamente limitada.
Una medida es el pseudo R2 de Mc Fadden: